[发明专利]一种面向目标检测的高效进化神经网络架构搜索方法

权利要求书

1.一种面向目标检测的高效进化神经网络架构搜索方法，其特征在于，包括以下步骤：

步骤S1，给定带有标签的图像分类数据集，将该数据集划分为训练数据集C_train，验证数据集C_val和测试数据集C_test；给定带有标签的目标检测数据集，将该数据集划分为训练数据集D_train，验证数据集D_val和测试数据集D_test；给定进化算法参数，包括种群个体数M，交叉概率P_c，进化代数G；

步骤S2，种群初始化，初始种群中包含M个个体，每个个体包含输入层，封装数个计算模块，并以全连接层为输出层，M个个体共同组成一个超网络，所述M为大于1的自然数；

步骤S3，对种群中的个体进行多次随机重复采样，利用训练数据集C_train对采样的个体进行训练，并为每个个体保留训练权值，所述C_train遍历完毕之后，超网络获得权值W_A；

步骤S4，所有个体从超网络中继承训练得到的相关权值，基于验证集C_val评估个体性能，并记录最优个体基于验证集C_val损失值

步骤S5，重复步骤(2)-(4)，直到超网络模型收敛；

步骤S6，为每一个个体融合特征金字塔网络(feature pyramid networks，FPN)，每个个体成为一个目标检测模型，利用D_train，对所有个体的权值进行微调，直到超网络模型收敛，并保存超网络最优权值

步骤S7，利用mAP值作为适应度函数，对每个个体进行适应度评估；

步骤S8，采用轮盘赌选择数个个体，组成父代种群；

步骤S9，采用交叉算子对父代种群中的个体进行两两交叉，得到M个新个体，组成子代种群；

步骤S10，基于验证数据集D_val，子代个体继承超网络权值计算子代种群中每个个体的适应度值；

步骤S11，将子代种群和父代种群中的个体合并，根据个体的适应度值，利用环境选择，选出M个新个体，组成下一代种群，并反馈至步骤(8)，直到达到预设的进化代数，并输出适应度值最优的个体，作为最优的主干网络结构。

2.根据权利要求1所述的一种面向目标检测的高效进化神经网络架构搜索方法，其特征在于，对种群中的个体进行多次随机重复采样，即每一个mini-batch随机从初始种群中采样一个个体，个体w_i被采样的概率为：

其中，M为种群中的个体总数，即对每个个体为均匀采样。

3.根据权利要求2所述方法，其特征在于，利用训练数据集对采样个体进行训练，并保存优化权值w^*(a)，优化目标为最小化神经网络架构a基于验证集C_val的损失值目标函数为：

其中，A为搜索空间，即超网络，a为采样到的神经网络架构，w为未优化权值，神经网络架构a通过训练数据集训练，通过最小化训练集C_train损失值得到优化后的权值w^*(a)。

4.根据权利要求1所述的一种面向目标检测的高效进化神经网络架构搜索方法，其特征在于，全部C_train遍历完毕之后，利用训练得到的相关权值评估训练后的个体C_val上的表现，并记录最优个体基于损失值此处的损失函数为交叉熵损失函数。计算公式为：

其中，w_A为超网络A经过训练优化后的权值，为神经网络架构a基于验证集C_val的损失值，此处的优化目标为找到值最小的神经网络架构，并记录损失值，以此判断超网络是否收敛。

5.根据权利要求1所述的一种面向目标检测的高效进化神经网络架构搜索方法，其特征在于，为每一个个体融合特征金字塔网络(Feature pyramid networks，FPN)，利用D_train，对所有个体的权值进行微调。